本文提出一种基于反馈机制的面向难度级别泛化的深度卷积神经网络图像修复模型自动生成的算法，旨在避免 “固定” 模型对于固定难度级别的训练。实验表明，在四个图像修复任务上，本算法均优于传统训练和课程学习替代方案。

Dec, 2016

本篇论文提出了一种用于图像去模糊的简单而高效的算法，其通过预处理 Richardson 解算器，使用模糊核和自然图像先验核的近似逆滤波器，以卷积的形式代替通用的线性预处理器，可以实现图像间高效的参数共享；同时利用 CNN 嵌入学习预处理器与辅助变量的 proximal operator，进一步提高了算法的鲁棒性与准确性，使其成为非盲目图像去模糊领域中性能更出色的算法。

Jul, 2020

采用强大的视觉语言模型和合成降解管道，通过基于扩散模型和后验采样策略的鲁棒训练，提高图片还原质量并解决特定数据集无法恢复模糊、缩放、噪声和 JPEG 压缩等不同降解方式的问题。

Apr, 2024

提出了一种具有半盲视觉效果的无监督图像去模糊算法，利用定制且未经训练的深度神经网络提出一种数据集自由的深度残差先验方法来解决内核误差的挑战，通过交替极小化算法对模型进行优化，该方法相比数据驱动和模型驱动方法具有更高的图像质量和内核误差鲁棒性。

Oct, 2022

在图像修复中，人们常常希望根据指令去除特定的图像退化现象，本文提出了一种名为 TransRFIR 的新型建模方法，它通过感知图像中的不同退化类型并根据文本提示去除特定的退化，该方法基于两个设计的注意力模块，即 MHASA 和 MHACA，具有较低的计算成本和优秀的性能，可以作为图像修复的一种有效架构。

Apr, 2024

本篇论文提出了一种基于物理学原理和 2 阶段网络的深度引导 GAN 精细处理方法，可以有效处理暴雨图像修复过程中出现的雨丝、雨滴遮挡和图像模糊等问题，并通过对真实雨天数据进行测试和评估，证明该方法在图像修复和细节保护方面优于其他现有的方法。

Apr, 2019

本研究提出了一种基于概率框架的盲超分辨率图像重建方法，针对复杂的噪声和模糊核问题，该方法采用了非独立同分布的噪声模型和一种新颖的模糊核生成器来增加模型的自由度。经过综合实验，该方法在合成数据集和真实数据集上均优于当前最先进的技术。

Jul, 2021

我们提出了一种名为 Recurrent Gradient Descent Network 的深度优化方法，它使用超参数自由的更新单元和卷积神经网络来生成更新，从而学习了一种隐含的图像先验和通用的更新规则，从而在各种恶劣情况下，提高了图像恢复的质量。

Apr, 2018

本文提出了一种新的可微分松弛联合稀疏性方法，利用非局部自相似性和稀疏性原则进行图像恢复，经实验证明该方法参数少，性能与现有先进方法相当或更好。

Dec, 2019

本文提出了一种高效的基于图像补丁学习的框架，仅需一个图像输入输出对进行训练，实验证明该方法适用于监督式图像去模糊和超分辨率任务，并显著提高了学习模型的样本效率、泛化能力和时间复杂度。

Apr, 2024